[논문]머신러닝을 이용한 구축함 수리부속 예측 연구

정연오; 김재동

문제 정의

본 논문에서는 해군의 대표적인 구축함정인 000 체계의 수리부속 수요예측 정확도 제고를 위하여 지난 9년간의 수리부속 수요데이터를 분석하고, 시계열, 머신러닝 및 딥러닝의 다양한 모델을 활용하여 수리부속 수요예측 결과를 비교 분석하고, 최적의 모델을 제안하였다. 제안한 머신러닝 및 딥러닝 모델이 기존의 수요예측 기법들에 비해 향상된 정확도를 나타냈다는 점에서 의미를 갖는다.
000 체계는 수리부속에 대한 많은 양의 데이터를 활용할 수 있어 분석의 정확도를 기대할 수 있다. 이에 수년간의 대규모 데이터를 기존에 많이 사용되었던 시계열과 최신의 다양한 머신러닝 및 딥러닝을 활용하여 각 기법별 예측정확도를 비교·분석하고, 이를 통해 최적의 수리부속 수요예측 모델을 제안하고자 한다.

제안 방법

본 연구에서는 전통적인 시계열 중 산술평균법, 단순이동평균법, 가중이동평균법, 선형이 동평균법, 최소자승법 등 5가지 모델을 사용하였다. 머신러닝은 DT(Decision Tree), NB(Naive Bayesian), SVM(Support Vector Machine), LR(Logistic Regression) 등 4가지 모델을, 딥러닝은 MLP(Multi Layer Perceptron), RNN(Recurrent Neural Network), GRU(Gated Recurrent Units), LSTM(Long Short Term Memory), Attention RNN, Attention GRU, Attention LSTM 등 7가지 모델을 사용하였다. 분석 도구는 Python을 사용하였다.
본 연구에서는 시계열과 머신러닝, 그리고 머신러닝의 한 분야인 딥러닝을 적용하여 각각의 예측정확도를 비교하였다. 실험방법은 훈련셋(training set)과 테스트셋(test set)을 7:3의 비율로 나누어 10겹 교차 검증(10-fold cross validation) 방식을 사용하였다.
실험방법은 2018년의 품목 발생 기준으로 16,236개 품목 중 8,118개의 발생 품목과 8,118개의 미발생 품목으로 분류하였으며, 와 같이 모델 성능 측정은 분류결과표(Confusion Matrix)의 정확도로 측정하였다.

대상 데이터

또한, 수리부속별로 2010년부터 2018년까지 9년 간의 연도별 소모개수 데이터를 추출하여, 아래 과 같이 총 9개의 변수를 사용하였다.
먼저 대상 체계에 대한 데이터 수집은 군에서 2009년부터 운영 중인 장비정비정보체계(Defense Logistics Integrated Information System)를 이용하였다. 장비정비정보체계는 무기체계의 주 장비 중심으로 수리부속의 보급 및 정비 관련 사항을 최신 정보 기술을 이용하여 개발한 정보체계로써, 육·해·공군의 편성 부대로부터 국방부에 이르기까지 정비 관련 부서에서 사용하는 통합정보지원 시스템이다.
본 논문에서는 구축함정인 000 체계를 분석 대상으로 한다. 000 체계는 수리부속에 대한 많은 양의 데이터를 활용할 수 있어 분석의 정확도를 기대할 수 있다.
본 연구의 분석 대상인 000 체계는 주력 구축함정으로서, 전시 해양우세 확보와 평시 해상침투대응 등 핵심 임무를 수행하는 대표적인 구축함이다. 또한 해군의 가장 큰 비중을 차지하는 체계로써, 분석 대상으로 적합하다고 판단하였다.
해군 장비정비정보체계에서 수집된 데이터에는 정비날짜, 정비당일 소모된 수리부속품목의 개수, 대당 구성수 등 00개 항목이 포함되어 있다. 이 데이터에서 수리부속별 수요예측을 위해 데이터를 품목별로 재정리하였으며, 수리부속 품목 수는 총 16,236개이다. 또한, 수리부속별로 2010년부터 2018년까지 9년 간의 연도별 소모개수 데이터를 추출하여, 아래 <표 1>과 같이 총 9개의 변수를 사용하였다.
해군 장비정비정보체계에서 수집된 데이터에는 정비날짜, 정비당일 소모된 수리부속품목의 개수, 대당 구성수 등 00개 항목이 포함되어 있다. 이 데이터에서 수리부속별 수요예측을 위해 데이터를 품목별로 재정리하였으며, 수리부속 품목 수는 총 16,236개이다.

이론/모형

본 연구에서는 전통적인 시계열 중 산술평균법, 단순이동평균법, 가중이동평균법, 선형이 동평균법, 최소자승법 등 5가지 모델을 사용하였다. 머신러닝은 DT(Decision Tree), NB(Naive Bayesian), SVM(Support Vector Machine), LR(Logistic Regression) 등 4가지 모델을, 딥러닝은 MLP(Multi Layer Perceptron), RNN(Recurrent Neural Network), GRU(Gated Recurrent Units), LSTM(Long Short Term Memory), Attention RNN, Attention GRU, Attention LSTM 등 7가지 모델을 사용하였다.
본 연구에서는 시계열과 머신러닝, 그리고 머신러닝의 한 분야인 딥러닝을 적용하여 각각의 예측정확도를 비교하였다. 실험방법은 훈련셋(training set)과 테스트셋(test set)을 7:3의 비율로 나누어 10겹 교차 검증(10-fold cross validation) 방식을 사용하였다. 예측정확도를 기준으로 모델의 성능을 평가한 결과 <표 3>에서 보는 바와 같이, 시계열에서 가장 좋은 정확도를 보인 모델은 단순이동평균법으로 62.

성능/효과

75%로 가장 좋은 정확도를 보였다. 본 실험을 토대로 기존의 시계열에 비해 머신러닝 딥러닝이 보다 높은 예측 정확도를 보임을 확인하였다.
예측정확도를 기준으로 모델의 성능을 평가한 결과 에서 보는 바와 같이, 시계열에서 가장 좋은 정확도를 보인 모델은 단순이동평균법으로 62.93%, 머신 러닝에서 가장 좋은 정확도를 보인 모델은 SVM으로 77.44%, 딥러닝에는 Attention GRU 모델이 77.75%로 가장 좋은 정확도를 보였다.
본 논문에서는 해군의 대표적인 구축함정인 000 체계의 수리부속 수요예측 정확도 제고를 위하여 지난 9년간의 수리부속 수요데이터를 분석하고, 시계열, 머신러닝 및 딥러닝의 다양한 모델을 활용하여 수리부속 수요예측 결과를 비교 분석하고, 최적의 모델을 제안하였다. 제안한 머신러닝 및 딥러닝 모델이 기존의 수요예측 기법들에 비해 향상된 정확도를 나타냈다는 점에서 의미를 갖는다. 본 연구에서는 수리부속 소모이력의 정형 데이터만을 분석에 활용하였으나, 향후 장비의 운용 관련 변수 등을 추가하고, 텍스트 마이닝 기법을 활용한 비정형 데이터 분석 기법을 추가한다면, 보다 정확한 수요예측 결과를 얻을 수 있을 것으로 기대된다.

후속연구

제안한 머신러닝 및 딥러닝 모델이 기존의 수요예측 기법들에 비해 향상된 정확도를 나타냈다는 점에서 의미를 갖는다. 본 연구에서는 수리부속 소모이력의 정형 데이터만을 분석에 활용하였으나, 향후 장비의 운용 관련 변수 등을 추가하고, 텍스트 마이닝 기법을 활용한 비정형 데이터 분석 기법을 추가한다면, 보다 정확한 수요예측 결과를 얻을 수 있을 것으로 기대된다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

머신러닝을 이용한 구축함 수리부속 예측 연구
A study on Destroyer Spare Parts Demand Forecasting using Machine Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

머신러닝을 이용한 구축함 수리부속 예측 연구 A study on Destroyer Spare Parts Demand Forecasting using Machine Learning 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

머신러닝을 이용한 구축함 수리부속 예측 연구
A study on Destroyer Spare Parts Demand Forecasting using Machine Learning 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper